Equipo 1
Gabriela Cantú Sánchez A01735256
Alexa Mariana Marin Villar A00831342
Ana Estefanía López Alanis A01284416
Astrid Paola Gonzalez Diaz A00830114
Introducción
Un Análisis Espacial Exploratorio de los Datos o ESDA por sus siglas en inglés, es una extensión de un análisis EDA (Exploratory Data Analysis) que engloba diferentes técnicas para analizar las características geoespaciales de los datos. El ESDA utiliza gráficos, métodos de estadística exploratoria y algoritmos computacionales con el objetivo de explorar los datos de manera geográfica, identificar patrones y sugerir hipótesis acerca de las relaciones entre las variables que se explicarán posteriormente. Lo que se busca es un entendimiento del sistema creado por factores ambientales, personas, y el entorno en general. Hay diferentes tipos de datos que pueden ser utilizados para este tipo de análisis como datos geoestadísticos o datos de interacción espacial; cada tipo de datos tiene diferentes métodos de análisis (Guo, D., 2017).
La autocorrelación espacial mide cómo los valores de una variable en una ubicación geográfica está correlacionado con los valores de esa misma variable en ubicaciones próximas.Se busca medir el grado de similitud de una variable en diferentes ubicaciones dentro de un área delimitada.
Ejemplos de autocorrelación serial positiva y negativa:
Autocorrelación espacial positiva: Una variable que podría representar autocorrelación espacial positiva es el valor de las casas, dado que este se ve afectado normalmente por el valor de otros bienes en los alrededores.
Autocorrelación espacial positiva: La distribución de enfermedades y el clima. Por ejemplo, es más probable que un virus se detecte en entidades próximas debido al funcionamiento de los contagios.
Situación Problema A
El nearshoring “relocalización de proyectos de negocios”, “se refiere a una estrategia en que las empresas buscan reconfigurar sus cadenas de valor, haciéndolas más cortas y acercando los centros de producción con los mercados finales”. Con base en dicha definición, la localización geográfica y cercanía con el mercado de Estados Unidos representa para México una ventaja estratégica para la atracción de proyectos de inversión nearshoring. ¿Cuál es la tendencia actual del nearshoring para el caso de México? ¿Cómo es la distribución de flujos de inversión extranjera directa (IED) entre los estados de México? ¿Existe un patrón espacial y/o regional de la distribución de la IED durante los últimos años? ¿Qué tipo de características de los estados serían atractivas para la atracción de IED? ¿Se justifica el uso de un análisis espacial de datos para la predicción del nearshoring?
Descripción de los datos
La base de datos esta compuesta por 513 observaciones y las siguientes 30 variables:
- state: Estado del que proviene la observación (estados de México).
- year: El año de referencia de la observación.
- state_id: Identificador numérico del estado.
- new_fdi: Flujo de nuevas inversiones extranjeras directas. En millones de dólares.
- reinv_profits: Reinversión de ganancias de las inversiones extranjeras directas. En millones de dólares.
- intercom_acc:
- total_fdi: Total de inversiones extranjeras directas. En millones de dólares.
- crime_rate: Tasa de crimen por cada 100,000 personas.
- unemployment: Porcentaje de la población desempleada.
- employment: Porcentaje de la población empleada.
- business_activity: Índice de actividad económica
- real_wage: Promedio de salario real semanal utilizando el INPC 2018 = 100.00 MXN.
- real_ave_month_income: Ingreso mensual por hogar utilizando el INPC 2018 = 100.00 MXN.
- pop_density: Densidad de población por km2 del área del estado.
- good_governance: Proporción entre la inversión pública del estado y su deuda pública.
- ratio_public_investment: Proporción entre la inversión pública del estado y su GDP.
- lq_primary: Cociente de ubicación de personas empleadas en la industria primaria.
- lq_secondary: Cociente de ubicación de personas empleadas en el sector secundario.
- lq_tertiary: Cociente de ubicación de personas empleadas en el sector terciario.
- exchange_rate: MXN pesos por un USD.
- patents_rate: Número de patentes R&D por cada 100,000 personas.
- inpc: Índice nacional del precio del consumidor a 2018 = 100.00 MXN
- border_distance: Distancia de la frontera con Estados Unidos en Km.
- college_education: Porcentaje de la población que tiene un nivel de educación
- new_fdi_real_mxn: Flujo de nuevas inversiones extranjeras directas real.
- log_new_fdi_real_mxn: Flujo de nuevas inversiones extranjeras directas real. En log.
- region_a: Región a la que pertenece el estado.
- region_b: Identificador numérico de la región.
- trump_election: Variable binaria en donde 0 es que no hubo elecciones presidneciales en E.E.U.U. ese año, y 1 es que en ese año se llevaron a cabo las elecciones presidenciales en E.E.U.U.
- exportsExportaciones del estado en USD.
Especificaciones
Para este análisis solamente se van a interpretar las variables que se encontraron como significativas y relevantes en secciones posteriores gracias al gráfico de correlaciones.
New real fdi
population density
crime rate
real wage
business activity
lq primary
college education
exports.(variable previamente imputada con la mediana por estado en excel)
Estadísticos Descriptivos (Globales
Histogramas Globales
Interpretaciones
New real fdi: En cuanto a la Inversión Extranjera Directa en valores reales, se observa de manera global con una distribución inclinada hacia la derecha, es decir presentando mayor concentración de valores con una inversión extranjera directa pequeña, y datos que demuestran una inversión alta aunque con pocas observaciones.
Population density: La variable population density por km2 del área del estado tanto en promedio como en el año 2021 muestran una distribución sesgada a la derecha lo que indica que la densidad de la población se encuentra dentro de un rango “normal”. (11.27 a 796.70). Si se encuentran valores atípicos en ambas bases, específicamente en la ciudad de México en la cual su densidad de población excede los límites normales del conjunto de datos analizado. Crime rate:Para la tasa de crimen se puede observar como es que la distribución se encuentra sesgada hacía la derecha, de manera que demuestra una mayor concentración de valores con una tasa de crimen menor y una poca concentración con tasas de crimen elevadas según el Estado analizado.
Real Wage: El salario real de la población presenta una distribución, si bien no es normal, no presenta un sesgo pronunciado en alguna dirección en específico. -Business activity: En la variable business activity se puede observar para ambas bases, la frecuencia de los datos refleja una asimetría positiva, además de una kurtosis positiva. Esto nos da una idea de que la moda es mayor que la mediana, que a su vez es mayor que la media. A como se muestra en el histograma, la mayoría de los estados presentan un índice de actividad económica negativa, aunque se puede idnetificar la presencia de valores atípicos que rondan un índice de actividad económica mayor a 2.
Lq primary: En el caso de la variable del cociente de ubicación de personas empleadas en la industria primaria, se puede identificar a primera instancia que podría existir una gran diferencia en su comportamiento a lo largo de los años por los rangos de valores reflejados. Primeramente para 2021 se observa una distribución sesgada a la derecha, en donde los valores rondan aporximadamente el 0 y el 4. Por otro lado, al calcular el promedio de 2019 a 2021, se obtuvo un rango de valores entre 0 y 3, y aunque no se muestre un claro pico de frecuencia, los valores tinen una distribución sesgada a la drececha. La diferencia se ecnuentra en que la conecntración de datos se encuentra ligermanete más dispersa y balanceada para el dato promedio de 2019 a 2021. De manera general se observa una concentración de los datos entre los valores 0.7 y 1.2.
College education : En cuanto a la variable college education(proporción de personas con universidad) se observa que en general no hay agrupaciones u factor dominante por estado y no existe sesgo hacia ninguna dirección.
Exports: En la variable exprots se puede observar un comportamieno similar entre ambos datos, ya que existe una distribución asimétrica positiva, además rangos de valores y frecuencias semejantes. En este caso se podría decir que la moda esta por debajo de los 1,500,000.
Estadísticos Dispersión (Global y Regional)
Box Plots Globales y Regionales
Datos 2021
Promedio 2019-2021
QQ plots Globales
Datos 2021
Promedio 2019-2021
Interpretaciones
New real fdi: De manera regional, se presenta como es que para región Norte se cuenta una mediana más alta en cuanto a la inversión, saliendo de lo “normal” presentado por las otras regiones qeu presentan una meadiana menor y en rangos similares, además de presentar valores atipicos dentro de las regiones Centro y Sur, lo cual podría explicar ese sesgo hacía la derecha. Se observa como que la probabilidad de presentar una distribución normal es baja al no estar tan alineado en la gráfica de qqplot con la línea presentada.
Population density: En cuanto a la densidad de población en los box plots tanto en el promedio como en el año 2021, no existe una dispersión notable en los datos y como se mencionó previamente existe un valor fuera del bigote del box plot el cual es la ciudad de mexico por su nivel de densidad a comparacion de otros estados. En cuanto a las regiones de tanto 2021 como el promedio de 2019 a 2021 se puede observar que la mayor variabilidad de datos se encuentran en la región centro, y su mediana es mayor en comparativa con las otras regiones. De igual manera este gráfico indica que en la región centro se encuentra la ciudad de méxico y se observa fuera del bigote el outlier de la densidad de población.
En cuanto al qq plot last dentro de las distribuciones se visualiza que son similares con los cuantiles más altos(outliers) de la densidad de la población, pero de igual manera no siguen una distribución normal.
Crime rate: Con una mayor granularidad al visualizar las regiones se puede observar que las distribuciones de los datos se presentan en las diferentes categorías, la región Norte es la que en mediana presenta una mayor tasa de crimen aunque en segundo lugar se presenta Bajío que a su vez contiene una mayor variabilidad en sus datos por encima de la mediana, esto se puede observar por el tamaño de la caja.
En cuanto al qq plot se puede observar que si sigue una distribución similar de los datos pero sin ningun patron en especifico.
Real wage : En parte regional se observa como es que aunque no presentan una variación grande entre sus medias (puesto que las 5 regiones se presentan dentro de un rango de 300 a 370 pesos aproximadamente), si podemos identificar que la región norte es quien recibe salarios más altos que todas las demás, en seguida se presenta Bajío, después centro, occidente y por último, sur.
Business activity : En esta variable se ve reflejado un comportamiento distinto a través de las 5 regiones para ambas bases. En estas destaca que la región Norte es aquella con un mayor índice de actividad económica, mientras que las regiones Centro y Sur pesentan un índice menor de manerga general. Esto se podría deber a la cercanía a la que tienen los estados de la región Norte.
Lq primary : La variable del cociente de ubicación de personas empleadas en la industria primaria, muestra un comportamiento muy similar en distribución en la regiones Sur y Occidente, reflejando un promedio de alrededor de 1, seguido por la región del Bajío con un promedio cercano a 1, pero con una dsitribución sesgada a la derecha. Por otro lado, podemos observar que la región Norte presenta resultados muy distintos, en donde el cociente es menor a 0.5.
College education: En cuanto a la variable college education se puede observar dentro de los box plots que tanto el año 2021 como el promedio de 2019 a 2021 no existen valores atípicos fuera de los bigotes del gráfico notables y el tamaño de caja se encuentra con una dispersión de datos normal sin seguir algún patrón en específico.
En cuanto a las regiones se observa que en la región Occidente es donde existe un nivel de educación mayor(mediana de los datos) seguido de la región Norte , ambos con una dispersión amplia de datos sin ningún valor atípico.
En cuanto al qq plot se puede observar que si sigue una distribución similar de los datos pero sin ningún patrón en específico.
Exports: Para la variable de exports, se logra identificar que ninguna de las regiones sigue una ditribución normal, a excepción de la región Norte que podría estar cerca de mostrarla. Además para esta variable destaca de igual manera la región Norte por sus altos rangos de valores y promedio de exportaciones. Esto es un valor que se puede deber a la cercanía que tiene esta región a la frontera de Estados Unidos.
Selección de Variables
2021
## [,1]
## state_id 0.21398541
## new_fdi 1.00000000
## reinv_profits 0.72479530
## intercom_acc 0.19382128
## total_fdi 0.85259744
## crime_rate 0.01972536
## unemployment -0.01659273
## employment -0.27000174
## business_activity 0.43295760
## real_wage 0.61536735
## real_ave_month_income 0.40600078
## pop_density 0.53458140Promedio 2019 a 2021
## [,1]
## state_id 0.03274983
## new_fdi 0.99997840
## reinv_profits 0.92739941
## intercom_acc 0.60862831
## total_fdi 0.96350017
## crime_rate -0.13668432
## unemployment 0.21949282
## employment -0.44259629
## business_activity 0.18667655
## real_wage 0.67768295
## real_ave_month_income 0.06920037
## pop_density 0.84843390En base a el coeficiente de correlación con la variable NEW FDI Real tanto el año 2021 como el promedio de 2019 a 2021 decidimos trabajar con las variables de population density, crime rate, real wage, business activity, lq primary, college education y exports.
Visualización Espacial de Variables Seleccionadas
New FDI Real MXN
Se puede observar un patrón a través de los datos reflejados en este mapa. Los estados fronterizos tienen un mayor nivel de inversión extranjera directa nueva. Esto puede ser debido a que representan una posición estratégica. De igual manera, se observa una gran inversión en los estados Michoacan y la Ciudad de México.
Population Density
La densidad de población se puede observar más concentrada en los estados céntricos de México, la Ciudad de México siendo uno de los estados más altos. A través de estos mapeos se pueden ir generando hipótesis. Es interesante saber por qué los países están invirtiendo en estados fronterizos a pesar de su baja densidad de población. Entre estos dos mapas se podría decir que la densidad de población no es un factor muy decisivo en la IED a pesar de que esto puede representar infraestructura, más demanda de productos, más oferta laboral, etc.
Crime Rate
El crimen también se ve concentrado pero en una manera que asemeja más clústeres dispersos dentro del país. Por ejemplo, se puede visualizar mayor crimen en los estados fronterizos de Baja California, Sonora y Chihuahua. Sin embargo, no se ve el mismo comportamiento en Coahuila. De la misma manera, se ve el crimen concentrado en las regiones del Occidente y el Bajío.
Real Wage
En cuanto al salario, se puede observar que también están concentrados en los estados fronterizos. De cualquier manera, resaltan los estados de Nuevo León, Ciudad de México, Querétaro y Campeche. Esto puede ser explicado debido a que Ciudad de México, Querétaro y Nuevo León tienen una alta actividad económica y debido a los pozos petroleros en Campeche.
Business Activity
La actividad de negocios se ve reflejada de la manera en la que es calculada.
LQ Primary
En cuanto a LQ Primary, que mide la concentración de la industria primaria de la región en relación a una unidad geográfica más grande, se puede observar que es más alta en la región del centro-sur.
Collage Education
No se puede observar un patrón muy específico en cuanto a la educación universitaria.
Exports
En cuanto a las exportaciones se puede observar un mayor nivel en los estados fronterizos.
Matriz de Conectividad
Se utilizará queen ya que comparten frontera.
## Neighbour list object:
## Number of regions: 32
## Number of nonzero links: 138
## Percentage nonzero weights: 13.47656
## Average number of links: 4.3125
## Link number distribution:
##
## 1 2 3 4 5 6 7 8 9
## 1 6 6 6 5 2 3 2 1
## 1 least connected region:
## 31 with 1 link
## 1 most connected region:
## 8 with 9 links
Autocorrelación Espacial Global
Datos 2021
##
## Moran I test under randomisation
##
## data: state_geodata$new_fdi_real_mxn
## weights: sswm
##
## Moran I statistic standard deviate = 1.2015, p-value = 0.1148
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.10886110 -0.03225806 0.01379607##
## Moran I test under randomisation
##
## data: state_geodata$pop_density
## weights: sswm
##
## Moran I statistic standard deviate = 4.388, p-value = 5.719e-06
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.0961856121 -0.0322580645 0.0008568062##
## Moran I test under randomisation
##
## data: state_geodata$crime_rate
## weights: sswm
##
## Moran I statistic standard deviate = 0.4018, p-value = 0.3439
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.01660134 -0.03225806 0.01478702##
## Moran I test under randomisation
##
## data: state_geodata$real_wage
## weights: sswm
##
## Moran I statistic standard deviate = 0.86376, p-value = 0.1939
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.07246688 -0.03225806 0.01469995##
## Moran I test under randomisation
##
## data: state_geodata$business_activity
## weights: sswm
##
## Moran I statistic standard deviate = 2.6024, p-value = 0.004629
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.184181268 -0.032258065 0.006917295##
## Moran I test under randomisation
##
## data: state_geodata$lq_primary
## weights: sswm
##
## Moran I statistic standard deviate = 2.8343, p-value = 0.002296
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.29638798 -0.03225806 0.01344488##
## Moran I test under randomisation
##
## data: state_geodata$college_education
## weights: sswm
##
## Moran I statistic standard deviate = 2.3267, p-value = 0.00999
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.25423021 -0.03225806 0.01516076##
## Moran I test under randomisation
##
## data: state_geodata$exports
## weights: sswm
##
## Moran I statistic standard deviate = 1.308, p-value = 0.09544
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.12507684 -0.03225806 0.01446928## Variable GM Significance
## 1 New FDI 0.10 N.S.
## 2 Population Density 0.10 ***
## 3 Business Activity 0.20 ***
## 4 Lq Primary 0.30 ***
## 5 College Education 0.25 ***
## 6 Exports 0.12 ***En este caso las variables significativas y elegidas son Population Density con un p value menor al 0.05 y un Global Moran de 0.096. Además Business Activity con un p value menor al 0.05 y un Global Moran de 0.2. De igual manera Lq Primary, College education y exports tienen un p value menor a 0.05. La variable dependiente new_fdi_real no es significativa pero está cerca del 0.09.
Datos Promedio 2019-2021
##
## Moran I test under randomisation
##
## data: state_geodata2$new_fdi_real_mxn
## weights: sswm
##
## Moran I statistic standard deviate = 0.73253, p-value = 0.2319
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.032470372 -0.032258065 0.007807946##
## Moran I test under randomisation
##
## data: state_geodata2$pop_density
## weights: sswm
##
## Moran I statistic standard deviate = 4.3922, p-value = 5.61e-06
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.0957716488 -0.0322580645 0.0008496821##
## Moran I test under randomisation
##
## data: state_geodata2$crime_rate
## weights: sswm
##
## Moran I statistic standard deviate = 0.50057, p-value = 0.3083
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.02949345 -0.03225806 0.01521809##
## Moran I test under randomisation
##
## data: state_geodata2$real_wage
## weights: sswm
##
## Moran I statistic standard deviate = 0.81601, p-value = 0.2072
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.06711280 -0.03225806 0.01482956##
## Moran I test under randomisation
##
## data: state_geodata2$business_activity
## weights: sswm
##
## Moran I statistic standard deviate = 2.5317, p-value = 0.005676
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.180269220 -0.032258065 0.007047276##
## Moran I test under randomisation
##
## data: state_geodata2$lq_primary
## weights: sswm
##
## Moran I statistic standard deviate = 2.2381, p-value = 0.01261
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.23620899 -0.03225806 0.01438828##
## Moran I test under randomisation
##
## data: state_geodata2$college_education
## weights: sswm
##
## Moran I statistic standard deviate = 2.3644, p-value = 0.00903
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.26143003 -0.03225806 0.01542915##
## Moran I test under randomisation
##
## data: state_geodata2$exports
## weights: sswm
##
## Moran I statistic standard deviate = 1.3142, p-value = 0.09439
## alternative hypothesis: greater
## sample estimates:
## Moran I statistic Expectation Variance
## 0.12543399 -0.03225806 0.01439734## Variable GM Significance
## 1 New FDI 0.03 N.S.
## 2 Population Density 0.10 ***
## 3 Business Activity 0.18 ***
## 4 Lq Primary 0.20 ***
## 5 College Education 0.26 ***
## 6 Exports 0.12 ***De igual manera para el promedio del 2019 al 2021 las variables significativas y elegidas son Population Density con un p value menor al 0.05 y un Global Moran de 0.095. Además Business Activity con un p value menor al 0.05 y un Global Moran de 0.2. De igual manera Lq Primary, College education & exports tienen un p value menor a 0.05.La variable dependiente new_fdi_real no es significativa y es menor su acercamiento al 0.09.
Identificación de Clusters
Datos 2021
Datos Promedio 2019-2021
Clusters a Través del Tiempo
Impacto de clusters
New FDI Real
Population Density
Business Activity
Location Quotient Primary
Collage Education
Exports
Principales Hallazgos
New real fdi: El año 2021 para la Inversión Extranjera Directa en valores Reales solo presenta un valor significativo como High- High donde Tamaulipas forma parte (Estado que presentaba una mayor inversión extranjera directa), sin embargo, sus estados vecinos (así como el resto de la república) se presenta como no significativo. Por otro lado, si observamos la gráfica donde se muestra el promedio de 2019 a 2021 si se identifica un cambio. Yucatan, Campeche y Quintana Roo forman parte de un clúster Low-Low lo que muestra además esa baja inversión extranjera directa que al ser significativa se sugiere que se cuenta con una clusterización espacial de una inversión extranjera directa baja. Además se pasa a contar con Sonora como un valor dentro de High- High aunque está rodeado de estados no significativos.
Population density : En cuanto a la variable de population density se puede observar que dentro de los clusters significativos low low Los estados de Sonora, Coahuila, Nuevo león Baja california,Yucatán, durango y Sinaloa Muestran una baja densidad de población y están rodeados de otros estados con una baja densidad de población lo que sugiere que hay una concentración espacial de bajos valores de densidad en estas áreas. Mientras que los clusters que indican un nivel high high los cuales son Mexico, EDOMEX y Morelos muestran una alta densidad de población y están rodeados por estados que tienen una concentración espacial de densidad de población alta en estas áreas.
Business activity: Lo primero que se puede observar es que los clusters permanecieron igual tanto en 2021, como al visualizar el promedio del índice de actividad económica entre 2019 a 2021, lo cual podría indicar que el impacto permaneció similar a lo largo de estos años. Adentrándonos más en los mapas, destaca primeramente que la mayor parte del país no mostró tener un comportamiento estadísticamente significativo con el que se pudiera crear uno o varios clusters. Sin embargo, se logró identificar que los estados de Yucatán, Quintana Roo, Campeche y Tabasco conforman un cluster significativo Low-Low, en el que se puede observar una clusterización espacial positivamente autocorrelacionada de valores bajos del índice de actividad económica. Por otro lado Sonora conforma un cluster High - High en el que se tiene una autocorrelación espacial positiva de valores de índice de actividad económica altos.
Lq primary: Para el Cociente de ubicación de personas empleadas en la industria primaria se puede observar como es que no todos los estados presentan una significancia. Para los estados que logran formar un clúster significativo se presentan los estados de Guerrero, Oaxaca y Puebla como High-High, es decir, se concentran estados que presentan una concentración de niveles altos del cociente de ubicación espacial. Esto cambia en un muy poca medida para los datos promediados donde se incluye Veracruz dentro del clúster. Además, para el año 2021 se puede observar que Zacatecas pertenece a Low-Low aunque y aunque en la visualización de esta variable San Luis Potosí presenta datos de concentración similar para el cociente, no genera una clusterización significativa al SLP ser un estado perteneciente a los no significantes.
College education: En cuanto a college education existe un ligero cambio en la clusterización high high utilizando el año 2021 y el promedio de 2019 a 2021, En el promedio de 2019 a 2021 existe una clusterización high high en los estados de Sonora y Baja California lo que indica que ambos están relacionados al mostrar un alto nivel de educación universitaria. Mientras que en la clusterización low low se encuentran los estados de Guerrero, Oaxaca y Puebla lo que indica que existe un nivel de educación universitaria más bajo y que existe una concentración espacial más baja de la variable. En solo el año 2021 la única diferencia es que no salió significativo (high high) el estado de Sonora.
-Exports: En la variable de Exportaciones en valores reales se pueden observar distintos clústeres a lo largo del territorio que son significativos. En primer lugar se observan los estados de Sonora, Coahuila, Nuevo León y San Luis Potosí como High-High, dado que son estados que tienen una alta cantidad de exportaciones, rodeados de otros estados con valores altos. Por otro lado Zacatecas forma un cluster Low - Low, en donde la cantidad de exportaciones es baja, al igual que en sus alrededores.
Referencias Bibliográficas
Guo, D. (2017). Exploratory Spatial Data Analysis. ResearchGate; unknown. https://www.researchgate.net/publication/314242837_Exploratory_Spatial_Data_Analysis